TypeSafe Jev 實際上手：三個真實情境，看「只做判斷的 AI」能替你省掉哪些 if

Jev 不寫文章、不寫摘要、不回你半句話。你給它一段文字和一組自己定義的選項，它只做一件事：挑一個，並告訴你每個選項它給幾成把握。軟體裡那些「這封信該轉給誰」「這則新聞算哪一類」的判斷，以前要寫一長串規則再永遠補例外，現在可以整段交給它。對寫程式的人來說，差別是問題和答案都變成結構化欄位：不用寫 prompt，不用解析回傳文字，回來的值在型別上不可能是你沒定義過的東西。

我們拿到帳號後實際上手，用日報管線的真實資料跑了三個情境——新聞分類、社群選題、讀者來信路由——也故意問了幾個它做不到的事。

為什麼寫程式的人會想試它

它是那個你一直寫不出來的 if。 這一輪有一封擬真投訴信：「你們昨天那篇報導引用了我公司的產品資料但完全沒有註明出處……否則我方將交由法務處理。」信裡有「報導」「描述有誤導」，關鍵字規則會把它丟進「內容更正」，自動回一封「感謝指正」。Jev 給的是 需要人工 0.93 / 內容更正 0.07。

沒有文字要解析。 我們管線裡有一份 INVALID_PATTERNS 黑名單（daily_qa.py:16），專攔模型輸出裡的 think 標籤殘留、「作為 AI」角色宣告、Markdown 標題、JSON code fence，是被現實一條條逼出來的。Jev 這邊，問題是 questions / criteria 欄位，答案是 choice / confidence / probabilities 欄位。

輸出一定落在你給的選項裡。 我只給一個選項「新聞」，它回 新聞 1.00；只給蘋果／香蕉／芒果，它照樣只在裡面挑。下游不必寫「萬一它回了奇怪的東西」。

便宜到每一筆都可以跑。 官方數字是輸入每百萬 token 0.042 美元、輸出免費、端到端 70–500 毫秒，官方對照以 GPT-6 Astra 與 Fable 5.1 的平均為基準、宣稱快 193.6 倍（皆官方自測）。以前做分類要省錢，只跑值得跑的那幾筆；這次三個情境是同一個 API、每一筆都跑。

情境 A：新聞分類——它把猶豫攤開給你看

18 則 9 月 15、16 日的真實新聞，標題加摘要，一題九選一；分類定義逐字取自 process_with_haiku.py:320-328，就是我們現在在用的那份。

判得乾脆的長這樣：「OpenAI 以 3 億美元收購智慧手機相機製造商 Glass Imaging」→ business 1.00，其餘八類全部 0.00。猶豫的是「時尚應用 Daydream 利用 Apple Intelligence 將相機膠卷中的穿搭變成可購物內容」→ consumer 0.65 / product 0.33，confidence 0.61：這則同時是「一般人用得到的應用」和「新功能上線」。更極端的是「使用 GPT-Live-1 打造更自然的語音體驗」→ product 0.51 / devtools 0.49，confidence 0.44；我們管線標 product，它也選 product，只多贏 0.02。它在猶豫，跟它答錯，是兩件事。

拿 0.65 那種數字當閘門：高的自動入庫，低的排人工複檢。這一輪也有我們和它標得不一樣的題目。回頭看，卡住的是我們自己的分類定義：硬體新品算 product 還是 consumer，那份定義沒講。

情境 B：社群選題——一次問兩個軸

同一批 18 則，一次呼叫問兩題：適不適合寫成面向一般讀者的 Threads 貼文？讀者看完今天能不能動手？回來是兩個獨立的機率分布。

「OpenArch – PyTorch 實作的現代 LLM 架構」→ 第一題 不適合 1.00 / 適合 0.00；第二題它選「純資訊」，但「可動手」仍拿到 0.40、confidence 只有 0.21：懂的人是真的能拿去跑，它沒把這件事一起否定掉。

猶豫的仍是那則 GPT-Live-1 語音體驗 → 適合 0.59 / 不適合 0.41，confidence 0.18；第二題 可動手 0.25。情境 A 的分類題上，它最猶豫的也是這一則。

用法是把軸拆開問。「免費 AI Agent 模型怎麼用？……免費 API KEY 完整攻略」那則 不適合做 Threads 0.99、但 可動手 1.00：有具體申請步驟，今天就能動手，題材卻太窄。兩件事擠成一個綜合分數，它就卡在中間值。

情境 C：讀者來信路由——猶豫的方向本身有資訊

15 封自己寫的擬真來信（沒有用任何真實訂閱者的信件），一題五選一：訂閱問題／內容更正／合作邀約／垃圾／需要人工。

一封寫「內文寫『iOS 27 於九月正式推送給所有機型』，但官方公告寫的是分批推送」→ 內容更正 1.00；前面那封帶法律威脅的投訴信 → 需要人工 0.93。兩封都在說「你們寫錯了」，它把法律威脅當成不能自動回的訊號。

我故意寫了一封混兩件事的信——問能不能把新聞資料以 API 授權，順便說信箱要換 → 需要人工 0.80 / 合作邀約 0.16 / 訂閱問題 0.04，第二、三名剛好是這封信真正混在一起的那兩類。唯一一封英文的遺產詐騙信 → 垃圾 0.95 / 需要人工 0.05。這情境最容易接上自動化：高信心的自動走既有流程，低信心的連同分布丟人工佇列。

它做不到的

不能生成文字，是 API 層級的硬拒絕。 我問它「幫這則新聞寫一句 Threads 開場白」，題型填 "type": "text"，拿到 HTTP 422：

"msg":"Input tag 'text' found using 'type' does not match any of the expected tags: <QuestionType.Noul: 'noul'>, <QuestionType.Choice: 'choice'>, <QuestionType.Score: 'score'>, <QuestionType.BoundingBox: 'bounding_box'>"

把 type 整個拿掉也一樣被擋（union_tag_not_found）。四種題型沒有一種會吐自由文字，要寫任何一句人話還是得用生成模型。

選項裡沒有正確答案時，它還是會選一個。 我拿一則新聞問「這段文字在講哪一種水果？」，選項只給蘋果／香蕉／芒果，它回 蘋果 0.55 / 芒果 0.27 / 香蕉 0.18，confidence 0.33。它不會說「都不是」——「其他／無法判斷」必須你自己放進去，不放它就在錯的選項裡分配機率。

需要站外事實的題目，它可能高信心地答錯。 我給它一句「內文寫『iOS 27 於九月正式推送給所有機型』」，問這句跟 Apple 官方公告相不相符，選項給了相符／不符／無法判斷，它回 不符 0.98 / 無法判斷 0.02，confidence 0.97。逃生口我放了，它沒用；光看那一句話沒人能確認官方公告寫什麼，正確答案應該是「無法判斷」。它判斷的是眼前這段文字，不是這段文字對不對——而這類失誤不會表現成低 confidence，你沒有訊號可以攔。

機率小數會擺動，選項是穩的。 同一批信前後跑兩次，那封混兩件事的信一次 0.80 / 0.16 / 0.04、一次 0.76 / 0.20 / 0.04，投訴信是 0.93 和 0.94，選的類別都沒變——門檻別卡在精確值上。另外 confidence 跟最高機率不是同一個數字：適合 0.59 那題 confidence 只有 0.18。

怎麼開始

等候名單制，到 TypeSafe 官網申請 early access。端點 POST https://api.typesafe.ai/v1/systemone，帶 Authorization: Bearer 你的 key。情境 A 的請求長這樣（criteria 實際給九類，這裡只列兩類）：

{"model":"jev-latest","state":"標題：OpenAI 以 3 億美元收購智慧手機相機製造商 Glass Imaging\n摘要：……","questions":{"category":{"type":"choice","instructions":"這則 AI 新聞屬於哪一個分類？","criteria":{"business":"企業/商業（融資、併購、策略轉型、企業級應用）","product":"產品發佈/更新（新功能、新工具上線，人人可用的）"}}}}

回來的長這樣（同樣只列兩類）：

{"answers":{"category":{"type":"choice","choice":"business","confidence":1.0,"probabilities":{"business":1.0,"product":0.0}}}}

state 是要判斷的文字，questions 每個 key 是一題（可一次多題，情境 B 就是），criteria 的 key 是選項名稱、value 是定義，「其他」要你自己記得放。回來的 choice 保證是你給過的 key，probabilities 是全部選項的機率，confidence 是另一個獨立數字；回應另帶 usage，輸出 token 照官方說法免費。

FAQ

它可以取代我現在用來做分類的 LLM 嗎？

看那支 LLM 在做什麼。只是「讀一段文字、選一個標籤」的話形狀對得上，prompt、JSON 解析、格式防禦可以整層拿掉。如果它同時還在寫摘要、寫標題，那部分 Jev 接不了。

confidence 多少以上才能自動處理？

門檻得在你自己的資料上訂，而且看整個分布比看單一數字有用。它猶豫時，第二名往往就是那題真正的另一個答案（像那封混了合作邀約和換信箱的信）。

「不會幻覺」是真的嗎？

它保證的是型別合法——回來的一定是你定義過的選項，連只給三個水果選項時也照樣只在裡面挑。但型別合法不等於內容正確：iOS 27 那題，它以 0.98 的機率答了一個自己無從驗證的問題。

這篇不是評測：我們沒做對照實驗，也沒拿其他模型跑同一批題目，寫的只是我們丟了什麼進去、它回了什麼。想先搞清楚 Jev 是什麼、官方數字怎麼來，看前一篇整理：TypeSafe Jev：官方稱比 GPT-6 Astra 便宜近 200 倍、最快 70 毫秒回答的「只做判斷」AI。